Prevendo Erro de Posicionamento e Encontrando Características para Grandes Robôs Industriais com Base em Aprendizado Profundo

Neste estudo, avaliamos a precisão de movimento de um grande robô industrial e seu método de compensação, e construímos uma operação de ensino off-line baseada em dados de design assistido por computador tridimensionais. Neste experimento, utilizamos um rastreador a laser para medir as coordenadas do efeito final do robô. Simultaneamente, as coordenadas do efeito final, cada ângulo de junta, a corrente máxima dos motores anexados a cada junta e a velocidade de rotação de cada junta foram medidas. Essas informações de servo foram convertidas em dados de imagem como informações visíveis. Para cada caminho de movimento do robô, foi criada uma imagem; o eixo horizontal representava o tempo de movimento do robô e o eixo vertical representava as informações de servo. Uma rede neural convolucional (CNN), um tipo de aprendizado profundo, foi utilizada para prever o erro de posicionamento com alta precisão. Subsequentemente, para identificar as características do erro de posicionamento, a imagem foi dividida em várias áreas de análise, uma das quais foi preenchida com várias cores e analisada pela CNN. Se a precisão da previsão da CNN diminuísse, então a área de análise seria identificada como uma característica. Assim, as características do erro de posicionamento do eixo Y foram observadas para ensinar cada ângulo de junta na direção oposta logo após o início do movimento, o desvio da corrente da junta rotacional e a mudança na corrente da junta oscilante.